Consistency and Monte Carlo Simulation of a Data Driven Version of Smooth Goodness-of-Fit Tests
数据驱动平滑拟合优度检验的一致性与蒙特卡洛模拟AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用拟合优度检验与模型维度选择，缺少所列细分领域的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
数据驱动平滑拟合优度检验的一致性与蒙特卡洛模拟
- 研究问题
- Neyman均匀性平滑检验如何由数据选择分量数，并在候选维度随样本量增长时保持对广泛备择的一致性？
- 方法与思路
- 作者将Schwarz的BIC选择规则与平滑检验结合，允许指数族维度上限随样本量趋于无穷，并开展证明与模拟。
- 材料陈述的贡献
- 摘要称检验对几乎所有备择具有一致性，证明中得到选择规则的新结果，模拟显示其在多种备择下具有竞争力。
- 阅读关注点
- 阅读时应核对维度上限的增长限制、“几乎所有备择”的精确定义，以及模拟中的检验水平、功效和比较程序。
- 阅读边界
- 依据稿件版本未注明的OpenAlex索引摘要；一致性的完整条件和模拟数值未给出，不能将竞争力理解为普遍优越性。
原文摘要
The data driven method of selecting the number of components in Neyman's smooth test for uniformity, introduced by Ledwina, is extended. The resulting tests consist of a combination of Schwarz's Bayesian information criterion (BIC) procedure and smooth tests. The upper bound of the dimension of the exponential families in applying Schwarz's rule is allowed to grow with the number of observations to infinity. Simulation results show that the data driven version of Neyman's test performs very well for a wide range of alternatives and is competitive with other recently introduced (data driven) procedures. It is shown that the data driven smooth tests are consistent against essentially all alternatives. In proving consistency, new results on Schwarz's selection rule are derived, which may be of independent interest.